مع تزايد حجم البيانات المتاحة عن الأسواق المالية، بدأ المتداولون العرب ينظرون إلى أدوات الذكاء الاصطناعي كوسيلة لتقوية قراراتهم. ليس من الضروري أن تكون خبير برمجة لتستفيد من تعلم الآلة؛ مجرد نموذج بسيط يعتمد على مجموعة من المؤشرات الاقتصادية يمكنه أن يمنحك نظرة إضافية عن تحركات زوج EUR/USD.
ما هو الهدف من النموذج؟
نريد أن نتنبؤ بالاتجاه اليومي لسعر EUR/USD (ارتفاع أو انخفاض) بناءً على متغيرات makroeconomic سهلة الحصول عليها: معدلات الفائدة، بيانات التضخم، مؤشرات الثقة المستهلك، وأحيانًا أسعار السلع الأساسية مثل النفط. الهدف ليس الحصول على توقعات دقيقة بالمئة، بل الحصول على إشارة تساعد في تحسين نسبة المخاطرة إلى العائد.
الخطوة الأولى: جمع البيانات
ابدأ بإنشاء جدول زمني أسبوعي يغطي آخر ثلاث سنوات من البيانات. يمكنك تحميل البيانات من مصادر مجانية مثل موقع FRED أو Eurostat. المتغيرات التي يفضَّل تضمينها هي:
- معدل الفائدة الفوري للمنطقة الأوروبية (ECB) ومعدل الفائدة الفوري للولايات المتحدة (Fed).
- مؤشر أسعار المستهلك (CPI) للمنطقتين.
- نسبة البطالة في أوروبا والولايات المتحدة.
- مؤشر ثقة المستهلك (Consumer Confidence).
- سعر النفط الخام (WTI) كعامل خارجي يؤثر على عملة الدولار.
- قيمة EUR/USD في نهاية كل أسبوع (الهدف).
احرص على أن تكون الفترات الزمنية متطابقة؛ إذا استخدمت بيانات أسبوعية، فإن جميع المؤشرات يجب أن تكون أسبوعية أيضاً.
الخطوة الثانية: إعداد المتغير المستهدف
بدلاً من توقع السعر الفعلي، نحدد ما إذا كان السعر سيغلق أعلى أم أقل من الإغلاق السابق. أضف عمودًا يسمى direction يحمل قيمة 1 عندما يكون الإغلاق اليوم أعلى من الإغلاق السابق، و0 في الحالة العكسية. هذه الطريقة تسهل على خوارزمية التصنيف (classification) التعلم.
الخطوة الثالثة: اختيار الخوارزمية
للمبتدئين، خوارزمية الشجرة العشوائية (Random Forest) أو الإنحدار اللوجستي (Logistic Regression) تعطي نتائج جيدة دون الحاجة إلى ضبط معقد. في حالة Python، يمكنك الاعتماد على مكتبة scikit-learn، والتي توفر كل الأدوات المطلوبة.
الخطوة الرابعة: تقسيم البيانات إلى تدريب واختبار
قسم السجل إلى 80% تدريب و20% اختبار. احرص على أن يكون التقسيم زمنيًا، أي أن البيانات الأحدث تُستخدم للاختبار لتقليد ظروف السوق المستقبلية.
الخطوة الخامسة: تدريب النموذج
الشفرة التالية توضح كيفية تدريب نموذج شجرة عشوائية في بضعة أسطر:
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# تحميل البيانات
data = pd.read_csv('eurusd_macro.csv')
X = data[['eur_rate','usd_rate','eur_cpi','usd_cpi','eur_unemp','usd_unemp','oil_price']]
y = data['direction']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)
model = RandomForestClassifier(n_estimators=200, random_state=42)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print('دقة الاختبار:', accuracy_score(y_test, pred))
ستظهر لك نسبة الدقة في اختبار غير مرئي. إذا كانت النتيجة بين 55% و65%، فهذا يُعد بداية جيدة؛ لا تتوقع أن يصل النموذج إلى 90% لأن الأسعار تتأثر بعوامل غير كمية.
الخطوة السادسة: دمج الإشارة في خطة التداول
بعد ما تحصل على إشارة (1 أو 0) من النموذج، يمكنك تحويلها إلى قاعدة بسيطة:
- عند
direction = 1افتح صفقة شراء (Long) بحجم لوت يتناسب مع مستوى المخاطرة المسموح به. - عند
direction = 0افتح صفقة بيع (Short) أو ابقَ بعيدًا إذا كان السوق متقلبًا.
من الأفضل ألا تعتمد على النموذج بصورة عمياء؛ دمجه مع تحليل فني بسيط مثل مستويات الدعم/المقاومة أو مؤشر المتوسط المتحرك يعزز موثوقية القرار.
نصائح عملية لتقليل الأخطاء
• احتفظ بسجل للصفقات المتخذة بناءً على إشارة النموذج، وتابع نسبة النجاح لتقييم فعاليته على المدى الطويل.
• تجنب تعديل المتغيرات بصورة مستمرة؛ أعطِ النموذج فترة استقرار لاختبار استقراره.
• إذا لاحظت تدهور الدقة بعد إعلان بيانات اقتصادية مفاجئة، قد تحتاج إلى إعادة تدريب النموذج بإضافة المتغير الجديد.
ملخص سريع للخطوات
1️⃣ جمع بيانات makroeconomics أسبوعية.
2️⃣ تحويل السعر إلى إشارة اتجاه.
3️⃣ اختيار خوارزمية بسيطة (شجرة عشوائية أو لوجستية).
4️⃣ تقسيم التدريب والاختبار زمنيًا.
5️⃣ تدريب النموذج وتقييم الدقة.
6️⃣ دمج الإشارة مع قواعد إدارة المخاطر.
من خلال هذه العملية، ستحصل على أداة إضافية تساعدك على اتخاذ قرارات تداول أكثر موضوعية، وتخفف من الاعتماد الكلي على الحدس أو الإشارات العاطفية. لا تنسَ أن أي نموذج يحتاج إلى صيانة دورية وتحديث مستمر لتظل نتائجه صالحة في ظل تغيرات السوق.
